向量的内积外积哈达玛积
1.向量的内积
1.1 定义
从代数角度看,先对两个数字序列中的每组对应元素求积,再对所有积求和,结果即为点积。从几何角度看,点积则是两个向量的长度与它们夹角余弦的积。
表示形式: A T B A^TB ATB、 < A , B > <A,B> <A,B>
1.2 求解方式
代数形式
向量的内积(点乘/数量积)。对两个向量执行点乘运算,就是对这两个向量对应位一一相乘之后求和的操作,如下所示,对于向量a和向量b:
a ⃗ = [ a 1 , a 2 , . . . a n ] \vec a=[a_1,a_2,...a_n] a =[a1,a2,...an] b ⃗ = [ b 1 , b 2 , . . . b n ] \vec b=[b_1,b_2,...b_n] b =[b1,b2,...bn]
a和b的点积公式为:
a ⃗ ⋅ b ⃗ = ∑ i = 1 n a i b i = a 1 b 1 + a 2 b 2 + . . . + a n b n \vec a·\vec b=\sum\limits^n\limits_{i=1}a_ib_i=a_1b_1+a_2b_2+...+a_nb_n a ⋅b =i=1∑naibi=a1b1+a2b2+...+anbn
这里要求一维向量a和向量b的行列数相同。注意:点乘的结果是一个标量(数量而不是向量)
举个栗子:
两个三维向量 [ 1 , 3 , − 5 ] \left[1,3,-5\right] [1,3,−5]和 [ 4 , − 2 , − 1 ] [4,−2,−1] [4,−2,−1]的点积是:
[ 1 , 3 , − 5 ] ⋅ [ 4 , − 2 , − 1 ] = 1 ∗ 4 + 3 ∗ ( − 2 ) + ( − 5 ) ∗ ( − 1 ) = 4 − 6 + 5 = 3 \left[1,3,-5\right]·[4,−2,−1]=1*4+3*(-2)+(-5)*(-1)=4-6+5=3 [1,3,−5]⋅[4,−2,−1]=1∗4+3∗(−2)+(−5)∗(−1)=4−6+5=3
几何形式
在欧几里得空间中,点积可以直观地定义为:
a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ cos θ \vec{a} \cdot \vec{b} = |\vec{a}| \, |\vec{b}| \cos \theta \; a ⋅b =∣a ∣∣b ∣cosθ
这里 ∣ x ⃗ ∣ |\vec{x}| ∣x ∣ 表示 x ⃗ \vec{x} x 的模(长度), θ \theta θ 表示两个向量之间的角度。
这样,两个互相垂直的向量的点积总是零。若 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b 都是单位向量(长度为1),它们的点积就是它们的夹角的余弦。那么,给定两个向量,它们之间的夹角可以通过下列公式得到:
cos θ = a ⋅ b ∣ a ⃗ ∣ ∣ b ⃗ ∣ \cos{\theta} = \frac{\mathbf{a \cdot b}}{|\vec{a}| \, |\vec{b}|} cosθ=∣a ∣∣b ∣a⋅b
1.3 几何意义
A ⃗ ⋅ B ⃗ = ∣ A ⃗ ∣ ∣ B ⃗ ∣ cos θ \vec{\mathbf A} \cdot \vec{\mathbf B} = |\vec{\mathbf A}| \, |\vec{\mathbf B}| \cos \theta \; A ⋅B =∣A ∣∣B ∣cosθ
欧氏空间中向量 A \mathbf A A在向量 B \mathbf B B上的标量投影是指: A B = ∣ A ∣ cos θ A_B=|\mathbf A|\cos\theta AB=∣A∣cosθ
直观上看是:向量 A \mathbf A A在向量 B \mathbf B B的投影与 B \mathbf B B的模相乘之后的大小。
两个向量越是相似,内积就越大(夹角就越小)。
Q:为什么在度量两个向量的相似度时,选择使用cos值,而不是向量的内积呢?
A:cos有归一化的作用
2.向量的外积
2.1 定义
两个向量的外积,又叫叉乘、叉积向量积,其运算结果是一个向量而不是一个标量。并且两个向量的外积与这两个向量组成的坐标平面垂直。
向量a与b的外积a×b是一个向量,其长度等于|a×b| = |a||b|sin∠(a,b),其方向正交于a与b。并且,(a,b,a×b)构成右手系。
对于向量a和向量b:
a ⃗ = [ x 1 , y 1 , z 1 ] , b ⃗ = [ x 2 , y 2 , z 2 ] \vec a=[x_1,y_1,z_1], \vec b=[x_2,y_2,z_2] a =[x1,y1,z1],b =[x2,y2,z2]
向量a和向量b外积公式为:
a × b = ∣ i j k x 1 y 1 z 1 x 2 y 2 z 2 ∣ = ( y 1 z 2 − y 2 z 1 ) i − ( x 1 z 2 − x 2 z 1 ) j + ( x 1 y 2 − x 2 y 1 ) k a \times b = \left| \begin{array}{cccc} i & j & k \\ x_1 & y_1 & z_1\\ x_2 & y_2 & z_2 \end{array} \right|=(y_1z_2-y_2z_1)i-(x_1z_2-x_2z_1)j+(x_1y_2-x_2y_1)k a×b= ix1x2jy1y2kz1z2 =(y1z2−y2z1)i−(x1z2−x2z1)j+(x1y2−x2y1)k
其中 i = ( 1 , 0 , 0 ) , j = ( 0 , 1 , 0 ) , k = ( 0 , 0 , 1 ) i=(1,0,0), j=(0,1,0), k=(0,0,1) i=(1,0,0),j=(0,1,0),k=(0,0,1), 根据 i 、 j 、 k i、j、k i、j、k间关系,有:
a × b = ( y 1 z 2 − y 2 z 1 , − ( x 1 z 2 − x 2 z 1 ) , x 1 y 2 − x 2 y 1 ) a \times b = (y_1z_2-y_2z_1,\ -(x_1z_2-x_2z_1),\quad x_1y_2-x_2y_1) a×b=(y1z2−y2z1, −(x1z2−x2z1),x1y2−x2y1)
2.2 向量外积的几何意义
在三维几何中,向量a和向量b的外积结果是一个向量,有个更通俗易懂的叫法是法向量,该向量垂直于a和b向量构成的平面。
在二维空间中,外积还有另外一个几何意义就是:|a×b|在数值上等于由向量a和向量b构成的平行四边形的面积。
3.向量的哈达玛积
两个相同形状的矩阵,输出是具有同样形状的、各个位置的元素等于两个输入矩阵相同位置元素的乘积的矩阵。
若两个矩阵A和B具有相同的维度 m × n m\times n m×n,则它们的阿达玛乘积$ A\circ B$是一个具有相同维度的矩阵,其元素值为:
( A ∘ B ) i j = ( A ) i j ( B ) i j . {\displaystyle (A\circ B)_{ij}=(A)_{ij}(B)_{ij}.} (A∘B)ij=(A)ij(B)ij.
4.总结
- 向量内积的结果为标量
- 向量内积的几何意义:向量 A \mathbf A A在向量 B \mathbf B B的投影与 B \mathbf B B的模相乘之后的大小。
- 向量a和向量b的外积结果是一个向量(法向量),该向量垂直于a和b向量构成的平面。
- 哈达玛积:基于矩阵(两个矩阵的维度完全相同) 对应位置元素相乘(卷积) element-wise product
本文仅作为个人学习记录所用,不作为商业用途,谢谢理解。
参考:https://zhuanlan.zhihu.com/p/348308540
向量的内积外积哈达玛积相关推荐
- 点积,内积,哈达玛积的区别
哈达玛积哈达玛积(Hadamard product)是矩阵的一类运算,若A=(aij)和B=(bij)是两个同阶矩阵,若cij=aij×bij,则称矩阵C=(cij)为A和B的哈达玛积,或称基本积. ...
- 向量的内积外积与其几何意义
一.点乘(内积) 有向量 a⃗=(x1,y1),b⃗=(x2,y2)\vec a=(x_1,y_1),\vec b=(x_2,y_2)a=(x1,y1),b=(x2,y2),夹角为 θ\the ...
- 线性代数 --- 向量的内积(点积)(个人学习笔记)
向量与向量的乘法 - 内积 两个向量的内积,也叫点积(但在我们这个笔记的前半部分,我们说的,或者用到的更多的应该是点积),他的计算方式是两个同维度向量(例如两个n维向量)的内部元素从1到n,逐一相乘再 ...
- 两向量常用的“积”-----------内积,外积,点乘,叉乘,哈达玛积,张量积
英文叫法总结(目前论文中常出现的几种向量积): 1,内积(inner product)/点积,点乘(dot product)/数量积(scalar product) 2,外积(Exterior Pro ...
- 内积、外积、元素积、克罗内克积的区分及用法【python】
带你一次搞懂点积(内积).叉积(外积)_机器学习Zero的博客-CSDN博客_点积和叉积 向量的外积(outer product)与克罗内克积(Kronecker)_努力干活还不粘人的小妖精的博客-C ...
- Python/Numpy之点积叉积内积外积张量积
Python/Numpy之点积叉积内积外积张量积 内积(内积.标量积.数量积.点积.点乘)a与b的内积为 a·b = |a||b|cos∠(a, b),结果为标量(一个数) 外积(叉乘):向量a与b的 ...
- 线性代数之 向量的内积,外积,长度,正交与正交矩阵
线性代数之 向量的内积,外积,长度,正交和正交矩阵 向量的内积 向量的外积 向量的长度 向量正交 正交矩阵 正交矩阵的扩展 向量的内积 对于列向量a,b∈Rna,b\in R^na,b∈Rn,其内积( ...
- 向量的内积(点乘)与 向量的外积(叉乘)
向量的内积(点乘) 定义 概括地说,向量的内积(点乘/数量积).对两个向量执行点乘运算,就是对这两个向量对应位一一相乘之后求和的操作,如下所示,对于向量a和向量b: a和b的点积公式为: 这里要求一维 ...
- 向量的内积,与角的关系,向量与它本身点积_4
目录 什么是点积? 点积运算 向量与角的联系 向量和它本身 什么是点积? 两个向量相乘,我们应该会想到如下场景: 但这个在现实生活中,用处不大. 但是其他乘法形式很有用. 最重要的是一种向量运算方式是 ...
最新文章
- python语言入门m-python基础入门这一篇就够
- .NET 2.0防止同用户同时登陆实例
- 函数式编程笔记 01
- 使用 ServiceStack 构建跨平台 Web 服务(转)
- wdcp找回mysql密码_wdcp忘记后台admin密码,重置MYSQL ROOT密码
- 莫比乌斯反演部分题目总结
- [渝粤教育] 西南科技大学 土木工程材料 在线考试复习资料
- 边缘检测---Roberts算子
- python数据驱动创建账号_20190705-Python数据驱动之DDT
- linux下载blast软件
- 小心肝队-冲刺日志(第七天)
- 什么是 jQuery?
- 通达信顾比倒数线指标公式,信号不漂移
- 摩托罗拉Z2硬改相机无人直播刷机教程
- 《Learn to Augment: Joint Data Augmentation and Network Optimization for Text》
- 组态王下拉式组合框使用教程,组态王下拉式组合框
- 为什么毕业论文要查重?
- airodump-ng界面参数比较详细的解释
- WuThreat身份安全云-TVD每日漏洞情报-2022-12-09
- [软件工程导论(第六版)]第5章 总体设计(复习笔记)
热门文章
- html5 3d场景设计,H5打造3d场景不完全攻略(二): Amazing CSS3D
- (随便看看)自监督学习
- FPGA自动售货机设计
- DEEP SPINE论文笔记-椎体、椎间盘神经网络识别
- java ccf认证解答_CCF认证 java 中间数 遇到运行错误
- 落入技术陷阱的滴滴和头条
- 微搭低代码实现aad的sso
- flink去重(二)解决flink、flink-sql去重过程中的热点问题
- Python学习--Machine-Learning 吴恩达机器学习编程作业 (第六周)
- 清华最强本科毕业生Top10出炉,「从来没有什么天才学霸」